积分商城

最新搜索： PL2303 altium Designer 20 电路设计与仿真从入门到精通 auto cad 常用LOGO标识 microBUCK TMC5160
您现在的位置是：首页 > 技术资料 > 基于可区分边界和加权对比度优化的显著度检测算法
推荐星级：
  • 1
  • 2
  • 3
  • 4
  • 5

基于可区分边界和加权对比度优化的显著度检测算法

更新时间：2019-12-24 03:34:45 大小：3M 上传用户：zhiyao6查看TA发布的资源 标签：显著度算法 下载积分：1分 评价赚积分 （如何评价?） 打赏 收藏 评论(0) 举报

资料介绍

针对目前基于先验背景的显著度算法中,把图像的所有边界同等对待带来的误判别问题,本文提出一种基于可区分边界和加权对比度优化的显著度检测算法.为了客观评价显著度,本文首先设计了一种粗略评估显著度的指标,用来选择较好的背景图.以该指标为基础,该算法先利用Hausdorff距离对边界进行区分,再利用测地线距离变换完成可靠的背景检测;然后,构造了一种前景-背景加权的对比度来计算初始显著度;最后,使用加权的优化模型进行显著度的优化.在5个公开数据集上的实验结果表明,本文算法在保持快速、无训练等优点的同时,检测性能优于目前主流算法.


部分文件列表

文件名 大小
基于可区分边界和加权对比度优化的显著度检测算法.pdf 3M

【关注视频号领20积分】   【关注公众号立即送20积分】

部分页面预览

（完整内容请下载后查看）
1
Vol． 45 No． 1  
Jan． 2017  
第
期
电
子
学
报
2017  
1
ACTA ELECTRONICA SINICA  
年
月
基于可区分边界和加权对比度优化的  
显著度检测算法  
， ， ， ，  
姜青竹 田 畅 吴泽民 刘 涛 张 磊  
(
，
中国人民解放军理工大学通信工程学院 江苏南京  
210007)  
:
， ，  
针对目前基于先验背景的显著度算法中 把图像的所有边界同等对待带来的误判别问题 本文提出一种基于  
摘
要
． ， ，  
可区分边界和加权对比度优化的显著度检测算法 为了客观评价显著度 本文首先设计了一种粗略评估显著度的指标 用来  
． ，  
选择较好的背景图 以该指标为基础 该算法先利用  
Hausdorff  
，
距离对边界进行区分 再利用测地线距离变换完成可靠的背景  
; ， - ; ， ． 5  
检测 然后 构造了一种前景 背景加权的对比度来计算初始显著度 最后 使用加权的优化模型进行显著度的优化 在 个公  
， 、 ，  
开数据集上的实验结果表明 本文算法在保持快速 无训练等优点的同时 检测性能优于目前主流算法  
．
:
;
;
;
关键词  
中图分类号  
URL: http: / /www． ejournal． org． cn  
显著度检测 背景图 可区分边界 加权对比度  
:
TP391. 4  
:
A
: 0372-2112 ( 2017) 01-0147-10  
DOI: 10． 3969 /j． issn． 0372-2112． 2017． 01． 021  
文献标识码  
文章编号  
电子学报  
Saliency Detection Based on Discriminative Boundary  
and Weighted Contrast Optimization  
JIANG Qing-zhu，TIAN Chang，WU Ze-min，LIU Tao，ZHANG Lei  
( College of Communications Engineering，PLA University of Science and Technology，Nanjing，Jiangsu 210007，China)  
Abstract: To address the misjudgment caused by all boundaries of an image being equally and artificially selected as  
background in most of state-of-the-art models using background prior，this paper proposes an algorithm called weighted con-  
trast optimization based on discriminative background． Firstly，a metric is constructed to roughly but objectively estimate a  
saliency map，which is used to choose a better background map． Based on this metric，a reliable background detection model  
is constructed through geodesic distance transformation after discriminating each boundary via Hausdorff distance． Then，the  
only background weighted contrast is improved into fore-background weighted contrast． Last，the final saliency map is ob-  
tained through weighted optimization framework． Extensive experiments on five public datasets demonstrate that the proposed  
algorithm outperforms state-of-the-art methods．  
Key words: saliency detection; background map; discriminative boundary; weighted contrast  
． Borji  
［7，8］ 40  
等人在文献 中对近二十年来的 种  
驱动  
1
引言  
．
算法进行了详细的比较 其中比较有代表性的有基于  
［1］  
［9］  
视觉显著度检测用于获取图像中最容易引起人眼  
“Center-Surround”  
的差异模型  
、
、
频
基于图的模型  
［1］  
［10，11］  
［12］  
．
注意的区域 自从  
Itti  
1998  
年提出第一个通用  
等人  
在
．
这
域模型 以及基于直方图的全局对比度模型  
．
些模型多数都是基于对比度优先或中心优先  
，
的显著度计算模型以来 一直是计算机视觉领域中的  
． ，  
一个研究热点 作为一项预处理过程 显著度被广泛应  
［13］  
Wei  
自从  
首先利用图片边界作为背景的思路提出  
［2］  
［3］  
［4］  
、
、
、
图像分  
用于图像分割  
图像重定位  
目标跟踪  
， ，  
后 越来越多的算法采用背景优先或边界优先 取得了较  
［5］  
［6］  
、
．
类
视频压缩 等领域  
显著度检测方法通常分为自底向上  
( Top-down)  
． ［14］ ，  
好的检测效果 比如在文献 的算法中 将到边界的对  
( Bottom-up)  
和
( Backgroundness，  
属于背景的可  
比度作为区域的背景性  
．
两种模式 前者基于低级视觉特  
自顶向下  
) ; ［15］ ，  
能性 特征项进行学习 在文献 的算法中 计算像素  
， ; ，  
征 由数据驱动 后者基于高级视觉特征 由知识和任务  
; ［16］  
到图像边界的流形排序值定义显著度 在文献 的算  
: 2015-06-23;  
: 2015-10-09;  
:
责任编辑 李勇锋  
收稿日期  
修回日期  
:
基金项目 国家自然科学基金青年基金  
( No． 61501509)  
148  
2017  
电
子
学
报
年
n－1  
， ， 、  
法中 将边界作为先验种子 分别利用密集重构 稀疏重  
d( p，q) =  
min  
D ( p ，p  
i
)
( 1)  
∑
f
i+1  
p1 = p，p2…，pn = q  
;
构和贝叶斯融合计算显著度 鲁棒背景检测  
( Robust  
i = 1  
［17］  
p，q  
G = ( V，E)  
，D ( p ，p  
i
)
表
其中  
表示图  
中的两个点  
Background Detection，RBD)  
f
i + 1  
算法提出边界连通度的概  
［22］  
f
示两个相邻点在特征空间 上的距离  
． Krahenbuhl  
做
， ，  
念来估计背景概率 然后对局部对比度进行加权 性能得  
，
了一步的推广 提出测地线距离变换  
( Geodesic Distance  
． ，  
到较大提升 但所有这些模型都把边界同等处理 没有考  
Transform，GDT)  
p Q  
的概念用来计算点 到点集 的最短  
．
虑到目标位于边界的情况 尽管  
RBD  
算法可以检测部分  
:
测地线距离  
， ，  
边界目标情况 但其置信度不高 造成其后期的优化模型  
D( p; Q) = min d( p，q) ，Q  
V
( 2)  
． ，  
效果有限 如何准确判断图像各个边界的背景性 是改进  
q
Q
∈
． ，  
这些基于边界先验的算法的关键 所以 本文针对上述算  
2. 2  
边界连通度  
法人为地将图像各边界同等概率处理带来的背景先验错  
，
目前 基于背景先验的方法都默认图像的四条边  
， ，  
误 首先利用各边界之间的差异计算其背景性 然后使用  
．
界作为背景 这种人为指定四边同等作为背景的方式  
，
，
测地线距离变换估计背景图 有效地解决了目标位于边  
． ［13］  
显然有失普适性 文献 通过将边界转换成一维显  
［17］  
．
界带来的误判别问题  
，
为进一步提高检测的精度 保持较好的轮廓信息  
，
著度检测的方式进行区分 但鲁棒性不够  
．
RBD  
而
［17］  
，
，
算法 根据人眼直观感受和大量数据统计 提出用边  
．
目前很多算法都采用了图模型 这些方法一般分为两  
( Boundary Connectivity，BC)  
界连通度  
的概念来构造背  
: ， ［18］  
大类 一是基于图的传播模型 文献 对几种使用广  
:
景图  
CRF  
、 、  
模型 二次能量模型 随机游走模  
泛的传播模型如  
Len ( p )  
i
bnd  
BC( p ) =  
i
( 3)  
［19］  
，Liu  
型以及流形排序模型等进行了归纳  
构造偏微分  
Area( p )  
i
槡
［20］  
;
方程建立传播模型 二是基于图的优化模型 如  
， Li  
的
，Area( p )  
i
p
表示跟超像素 特征相近的连通区域的  
i
其中  
面积  
、
以显著区域的稀有性 中心偏移性为基础的二次规划  
，Len ( p )  
bnd  
Bnd  
．
相交的长度  
表示连通区域跟边界  
i
［17］  
，Zhu  
、
的结合前景 背景概率和平滑性约束的优  
模型  
p
一个超像素 的背景概率被定义为  
i
2
(
化模型 本文简称为  
RBD  
) ．  
模型 这两类模型的重点都  
BC ( p )  
i
BC  
［8］  
= 1 － exp  
－
( 4)  
ω
i
2
． RBD  
Borji  
在于背景或前景种子的选取  
模型在  
RBD  
的测  
(
)
2
σ
BC  
，
评中性能和速度都相对较好 本文在  
模型基础上  
，
其中 σ 用来控制影响的权重 经验性地取  
BC  
1.  
，
添加适当的权重 获得了更好的优化效果  
．
2. 3 Hausdorff  
距离  
距离是两个点集的距离 一般定义为  
H( A，B) = max( h( A，B) ，h( B，A) )  
h( A，B)  
， ，  
另外 如果能客观评估显著图的质量 则可以对显  
Hausdorff  
，
、 、 ．  
著度的计算 筛选 融合等过程进行有效指导 而在无真  
( 5)  
，
实值参考的情况下 目前尚无快速有效的显著图质量  
A
B :  
的有向距离  
其中  
表示点集  
到
． ［21］，  
评估方法 本文参考文献 采用显著图中的紧致性  
h( A，B) = max d ( a) ，d ( a) = min a － b ( 6)  
但该距离会由于个别孤立点的存在导致测度不准  
B
B
a
A
b
B
∈
∈
，
作为核心准则 构造了一种简单有效的无参考评价指  
， ． ，  
标 对显著图质量进行粗略评估 在本文中 该指标被用  
［23］  
，
确 所 以  
Dubuisson  
Hausdorff  
提 出 了 修 正 的 距 离  
．
于多种背景图的筛选  
( Modified Hausdorff Distance，MHD) :  
，
、
综上 本文针对无参考值下评估显著图困难 将图像  
各边界同等概率处理带来的背景先验错误和常规局部对  
: ( 1)  
1
h( A，B) =  
d ( a)  
B
( 7)  
∑
N
a
A
∈
A
，
比度计算有所偏差等问题 主要完成了三项工作  
提
N
A ．  
表示点集 的元素个数 该距离适合处理目标相  
其中  
A
，
出一种无参考的显著图质量评估指标 用来对背景图进  
，
似度匹配问题 但由于其均值化操作会削弱点集之间的  
［24］  
［25］  
; ( 2) Hausdorff  
基于  
，
距离和测地线距离变换 提出  
行筛选  
． Andree  
Hausdorff  
:
差异性区分  
又提出了广义  
距离  
( 8)  
该式表示从第 个距离排序值到最大值的平均  
NA  
; ( 3)  
一种可区分边界的背景图估计算法  
，
基于背景图 构  
1
h( A，B) =  
d ( a )  
∑
B
i
- ，  
造前景 背景加权对比度计算初始显著图 然后利用加权  
N － K + 1  
i = K  
A
． 5  
的优化模型得到最终的显著图 个公开数据集上的实  
K
， 14  
验表明 本文算法的性能优于列出的 种算法  
．
． ， K = N  
值 实际上 当  
Hausdorff  
，K =  
距离  
时表示一般的  
A
1
MHD．  
该定义综合考虑了代表性元素和孤立  
时表示  
2
相关的定义  
［24］  
． K  
点的影响 通常情况下 值取为  
0. 6 × N  
．
A
2. 1  
测地线距离变换  
3
［13］  
无参考的显著图评估  
Wei  
，
首次将测地线距离用于显著度的求解 取得  
．
了较好的效果 测地线距离定义为  
:
，
在没有真实值参考的情况下 目前还没有一个能  

相关下载

全部评论(0)

暂无评论
评论赚积分>>

上传资源 上传优质资源有赏金

热门标签

更多>>

最新上传

  • 打赏
  • 30日榜单

热门下载

推荐下载

本站上的所有资源均为源于网上收集或者由用户自行上传，仅供学习和研究使用，无任何商业目的，版权归原作如有侵权，请 来信指出，本站将立即改正。

ICP许可证号：京ICP证070360号     21IC电子网 2000- 版权所有

京ICP备11013301号

京公网安备 11010802024343号